最新

嗨，Hacker News！我今年 13 岁，独自一人用 14 天的时间（每天大约 12 小时）构建了 Aurion OS，作为我的一个学习项目。 它是一个 32 位 x86 操作系统，完全用 C 语言和 x86 汇编语言编写，没有使用任何外部库。 它的功能包括： * 自定义引导程序和内核 * VESA 帧缓冲图形（1920x1080，双缓冲） * 带有可拖动、重叠窗口的窗口管理器 * 受 macOS 启发的、具有透明效果的 Dock * PS/2 键盘和鼠标驱动程序 * ATA 硬盘驱动程序，带有文件系统 * PCI 总线枚举 * RTL8139 网络驱动程序（WIP） * 实时时钟 * 仅需 16MB 内存即可运行（最多可同时打开 10 个窗口） 内置应用程序：终端（带 DOS 模式）、记事本（保存/加载）、计算器、画图（多种颜色和画笔大小）、贪吃蛇游戏、设置（主题切换）和系统信息。 目前在 QEMU、VirtualBox 和 VMware 上运行效果最佳。对真实硬件的支持仍在开发中。 下一个目标：TCP/IP 网络协议栈。 我很乐意接受任何反馈、建议或批评。这是我的第一个操作系统项目，在构建它的过程中我学到了很多东西。 欢迎回答任何技术问题！

嗨，HN，我是 Shubh，Raccoon AI 的联合创始人。<p>Raccoon AI 就像是网页版的 Claude Code 和 Cursor 的结合体。<p>这个智能体拥有自己的电脑，配备终端、浏览器和互联网，它在协作和自主性之间取得了恰当的平衡。<p>你可以在任务进行到一半时与它对话，在它运行时发送更多文件，或者干脆让它自己运行，然后回来查看完成的结果。<p>这是一款让你打开来尝试一件事，结果却花了两个小时的产品，因为你不断想到更多可以交给它的任务。<p>最让人们兴奋的是，会话可以跨越完全不相关的任务类型进行链式处理。你可以从市场调研（真实的引用、生成的图表）到原始数据分析（转储你的数据库，提问），再到一个完整的交互式应用程序，所有这些都在一个共享相同上下文的对话中完成。<p>它通过自动摘要拥有无限的上下文，这在 Ace Max 的加持下表现出色。<p>它连接到 Gmail、GitHub、Google Drive、Notion、Outlook 以及 40 多个其他工具。你还可以通过自定义 MCP 服务器添加自己的工具。<p>Raccoon AI 基于我们自己的智能体 SDK，ACE 构建，该 SDK 在 GAIA 基准测试中达到了 SOTA 水平，得分为 92.67。<p>简单介绍一下背景：我们是一个三人团队，大约在 1.5 年前开始构建有史以来最好的浏览器智能体，经过几次转型后，我们最终实现了这个目标，并且自 10 月以来一直在不断发布和发展。<p>很乐意深入探讨架构或讨论局限性，并期待收到反馈。<p>网站：<a href="https://raccoonai.tech" rel="nofollow">https://raccoonai.tech</a>

几个月前，我们在这里发帖并收到了很多有见地的反馈。这是我们根据反馈构建的内容。<p>MoneyOnFIRE 回答了两个问题：你什么时候可以实现财务独立，以及你该怎么做才能最快地实现财务独立？它会运行一个涵盖收入、税收、账户、供款、回报和提款的财务模拟，然后生成一个优先行动清单，其中包含具体的金额、日期和步骤。<p>一些最大的改进直接来自于上次 HN 讨论中的评论：<p>租赁物业支持：引擎现在可以模拟租金收入、抵押贷款、增值以及房产如何与财务计划的其余部分交互。<p>情景建模：你现在可以并排比较不同的选择——较低的回报、更长的工作时间、调整支出——如何影响你的财务独立时间表。<p>无需登录：一些人不想创建账户或存储财务数据。你现在无需注册即可运行完整的计划。<p>财务独立 vs 提前退休：我们最初是为提前退休的人群构建的。反馈表明，它对任何追求更长时间财务独立的人都同样有用——计算和行动都是一样的。<p>同时发布的还有：支持多个孩子和大学时间表、罗斯转换梯、IRA 策略选择、保护伞和定期人寿保险规模调整，以及随着你的输入变化而更新的动态报告。<p>核心论点没有改变：个人财务是一个由相互作用的规则和计算组成的复杂网络。我们希望解决这个问题，并为每个人提供一套清晰、有序的行动方案，他们可以实际执行。<p>很乐意回答有关引擎或其背后的建模决策的问题。

我周围的人开始重复他们在 TikTok 或其他社交媒体上看到的各种心理战宣传内容。<p>尤其是在波罗的海地区，这里几乎 24 小时都有来自各方的恐吓言论，要么是俄罗斯通过当地渠道或社交媒体进行的持续虚假信息宣传，要么是一些博主追逐点击量，炮制耸人听闻的文章。这让我非常恼火，当身边亲近的人沉迷于这些帖子时，我不得不花时间解释为什么这是胡说八道，这既分散注意力又令人厌烦。<p>所以我开始动手，用我的“烂机器”手动调整，制作了这个仪表盘。主要指标是一个每日 0-100 的威胁评分，这只是加权求和和阈值，目前还没有用到机器学习。

这个代码库源于一场关于“如果人类不再是主要作者，什么样的编程语言可能更合适”的讨论。最初的想法是“大型语言模型可以直接生成二进制文件”（这在一位更有名的人提出同样的想法之前）。但仔细想想，这似乎不是一个好方法，因为语言的存在是为了捕捉程序语义，而这些语义在翻译成机器码时会被省略。下一步是思考现有的“机器可读”程序表示是否可以作为大型语言模型代码生成的目标。事实证明，是可以的。本项目就是让 Claude 完全使用 LLVM 的中间表示语言编写一个应用程序堆栈的结果。

Native Desktop 是一个工具包，用于使用现代 Web 技术构建原生桌面应用程序，而无需处理桌面工具的常见复杂性。它专注于提供简单的开发者体验，您可以使用熟悉的流程和模块化的包生态系统来搭建、构建和分发桌面应用程序。Native Desktop 没有强迫开发者管理复杂的原生环境，而是提供了一个 CLI 和一组软件包，负责处理繁重的工作，同时保持项目的灵活性和可维护性。其目标是让开发者能够快速地将想法转化为可运行的桌面应用程序，同时仍然完全掌控架构和分发。该项目专为已经使用现代 Web 技术栈进行开发的开发者设计，他们希望有一种简单直接的方式将这些应用程序转化为桌面软件，而无需重新发明整个工具链。

大家好，HN — 我发现开发者们都在描述同样的困扰：调试 CI 管道时，提交-推送-等待-阅读日志的循环。所以我开发了 PipeStep。<p>PipeStep 会解析你的 GitHub Actions YAML 文件，启动正确的 Docker 容器，并为你提供一个针对运行的逐步调试器：shell 命令。你可以：<p>- 在每一步之前暂停并检查容器状态 - 在管道运行过程中进入正在运行的容器（按 I 键） - 在特定步骤上设置断点（按 B 键） - 重试失败的步骤或跳过其他步骤<p>它刻意没有尝试复制完整的 GitHub Actions 运行时环境——没有 secrets，没有矩阵构建，没有 uses: action 执行。对于完整的本地工作流程运行，请使用 act。PipeStep 适用于出现问题并且你需要找出原因，而无需再推送 10 次提交的情况。可以把它想象成你的 CI 管道的 gdb，而不是一个本地的 GitHub runner。<p>pip install pipestep (v0.1.2) · Python 3.11+ · MIT · 需要 Docker<p>非常欢迎反馈，特别是来自遇到同样痛点的人。已知限制已在 README 中记录，并且其中有一些问题，我希望大家能关注一下！

大家好，我是 Robel。我创建 LogClaw 是因为我厌倦了为 Datadog 付费，却仍然只能在收到“出问题了”的提示时醒来，而且没有任何上下文信息。<p>LogClaw 是一个运行在 Kubernetes 上的开源日志智能平台。它通过 OpenTelemetry 摄取日志，并使用基于信号的复合评分来检测异常，而不是简单的阈值告警。该系统提取 8 种故障类型信号（OOM，崩溃，资源耗尽，依赖故障，数据库死锁，超时，连接错误，身份验证失败），将它们与统计 z-score 分析、影响范围、错误速度和复现信号相结合，形成一个复合评分。关键故障（OOM，panic）会在 100 毫秒内触发即时检测路径——甚至在时间窗口完成之前。该检测对关键故障的检测准确率达到 99.8%，同时过滤掉噪声（验证错误和 404 错误不会触发事件）。<p>一旦确认异常，一个 5 层的追踪关联引擎会按 traceId 对日志进行分组，映射服务依赖关系，跟踪错误传播级联，并计算受影响服务的爆炸半径。然后，工单代理会提取关联的时间线，将其发送给 LLM 进行根本原因分析，并在 Jira、ServiceNow、PagerDuty、OpsGenie、Slack 或 Zammad 上创建去重工单。从日志噪声到提交工单的整个过程大约需要 90 秒。<p>架构：OTel Collector → Kafka (Strimzi, KRaft 模式) → Bridge (Python，4 个并发线程：ETL，异常检测，OpenSearch 索引，追踪关联) → OpenSearch + 工单代理。AI 层支持 OpenAI、Claude 或 Ollama，用于完全隔离部署。每个租户使用一个 Helm Chart 部署所有内容，命名空间隔离，没有共享数据平面。<p>要进行本地试用： <a href="https:&#x2F;&#x2F;docs.logclaw.ai&#x2F;local-development" rel="nofollow">https:&#x2F;&#x2F;docs.logclaw.ai&#x2F;local-development</a><p>目前尚未实现的功能： - 指标和追踪——目前仅支持日志。指标支持已在路线图中。 - 异常检测是基于信号 + 统计（使用 z-score 的复合评分），而不是深度学习。它能捕获 99.8% 的关键故障，但还无法检测到细微的性能漂移模式。 - 仪表板功能基本。我们使用 OpenSearch Dashboards 进行繁重的工作。<p>已获得 Apache 2.0 许可。如果您不想自托管，托管云版本为 0.30 美元/GB 摄取量。<p>大家好，我是 Robel。 我创建 LogClaw 是因为我厌倦了醒来时看到只有“出问题了”的提示，却没有任何上下文信息。 LogClaw 是一个针对 Kubernetes 的开源日志智能平台。它通过 OpenTelemetry 摄取日志，并使用基于信号的异常检测来检测操作故障，而不是简单的阈值。 LogClaw 不仅关注单个指标，还从日志中提取故障信号（OOM，崩溃，依赖故障，数据库死锁，超时等），并将它们与统计信号（如错误速度、复现、z-score 异常和影响范围）相结合，计算复合异常分数。 关键故障会绕过时间窗口，并在 100 毫秒内触发检测。 一旦确认异常，关联引擎就会跨服务重建追踪时间线，检测错误传播，并计算影响范围。 然后，工单代理会生成根本原因摘要，并在 Jira、ServiceNow、PagerDuty、OpsGenie、Slack 或 Zammad 中创建去重事件。 架构： OTel Collector → Kafka → 检测引擎 → OpenSearch → 工单代理 代码库： <a href="https:&#x2F;&#x2F;github.com&#x2F;logclaw&#x2F;logclaw" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;logclaw&#x2F;logclaw</a> 希望从运行大型生产系统的用户那里获得反馈。